【技术实现步骤摘要】
基于多特征联合时序匹配的极化SAR农作物分类方法、系统、设备及介质
[0001]本专利技术涉及农作物分类,具体涉及一种顾及物候偏移的基于多特征联合时序匹配的极化SAR农作物分类方法、系统、设备及介质。
技术介绍
[0002]相较于光学遥感易受云雨、雾霾等恶劣天气的影响,难以获取实时的农作物分布信息且无法对农作物的生长周期进行完整监测,合成孔径雷达(SAR)遥感技术可全天时、全天候工作,持续监测农作物的生长变化,已成为农作物监测的重要手段。极化SAR(PolSAR)能够借助多极化通道,反映农作物形态结构、介电常数特性和取向分布等生物物理参数信息。同时,相对于单景影像只能反映农作物某一时刻的形状结构信息,难以对具有相似特性的农作物进行精确分类,多时相极化SAR数据可借助于农作物特有的生长趋势、物候信息,增大作物间的区分度,减少错分、误分的概率。但在实际的农作物种植中,由于生长条件和田间管理的差异,即使是同种农作物,不同地块的具体播种期,物候进化速率也会发生变化,导致大范围、复杂试验区的分类精度有限。目前,基于多时相极化SAR数据进行农作物分类监测,已取得大量可观成果。
[0003]基于多时相极化SAR数据的农作物分类方法可以分为两大类:
[0004](1)基于特征堆叠的分类方法,将单时相的特征向量串联为一个较长的特征向量,通过聚类、机器学习,深度学习等方法进行分类。该方法将时序特征视为不同波段,可以在一定程度上选取最优波段组合,但却忽略了波段间的时间关联性,且没有运用到极化SAR时变特征信息。
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于多特征联合时序匹配的极化SAR农作物分类方法,其特征在于,包括:步骤1,获取农作物区域的多时相极化SAR数据集,提取多种特征得到各特征时间序列,计算各极化特征区分度;步骤2,以各特征区分度为权重对欧式距离进行加权,作为特征时间序列曲线对齐的算法的基距离,将待分类的农作物特征时间序列曲线与各种标准农作物样本的特征时间序列曲线进行路径匹配;步骤3,将待分类的农作物已匹配的特征时间序列曲线,按照各种标准农作物的物候日历划分子序列,并计算待分类的农作物与每种标准农作物之间的各物候子序列相似度;再根据各种特征的物候子序列相似度,计算待分类的农作物与每种标准农作物之间基于各特征的距离相似度;步骤4,以各特征区分度为权重,对各种特征与每种标准农作物之间的距离相似度进行加权计算,得到待分类的农作物与每种标准农作物之间最终的匹配距离相似度;将最终匹配距离相似度最小的标准农作物的类别,确定为待分类的农作物的类别。2.根据权利要求1所述的农作物分类方法,其特征在于,步骤1中提取的极化特征包括后向散射系数、NNED分解的功率值、总功率Span和雷达植被指数。3.根据权利要求1所述的农作物分类方法,其特征在于,步骤1中极化特征区分度的计算方法:首先将极化SAR进行超像素分割,得到农作物类别级对象的特征时间序列集;然后根据特征时间序列集,按以下公式计算各极化特征区分度:式中,为极化特征f的区分度;为极化SAR数据集中属于农作物类别c的第k个样本的特征时间序列,记任一样本的特征时间序列为X={x1,x2,...,x
t
},其中x
i
表示i时相的极化特征值;为类别c的所有样本的均值特征时间序列;n
c
为类别c包括的样本数,l为农作物类别数;d
TS
为时序曲线对齐距离,d
ED
为欧式距离。4.根据权利要求1所述的农作物分类方法,其特征在于,步骤2具体包括:首先,基于步骤1得到的特征区分度建构多特征联合加权欧式距离,以作为不同曲线各时相之间的距离:时相之间的距离:式中,为极化特征f的区分度,W
f
为极化特征f的权重,F为提取的极化特征种类数;表示标准农作物样本A的极化特征f的时间序列曲线A
f
在时相i的值,表示待分类的农作物样本B的极化特征f的时间序列曲线B
f
在时相j的值;d
ij
为曲线A
f
在i时相与曲线B
f
在时相j的多特征加权欧式距离;
然后,增加动态时间权重约束w
ij
,计算曲线A
f
在i时相与曲线B
f
在时相j的距离d'
ij
:d
′
ij
=(w
ij
+d
ij
)式中,g为增益因子;c=|i
‑
j|为时间距离因子,m
c
为标准农作物样本A的时间序列曲线的中间节点对应时间;||
·
||2为求2范数;最后,以距离d'
ij
对作为特征时间序列曲线对齐算法的基距离,将待分类的农作物特征时间序列曲线与各种标准农作...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。